論文の概要: WheatNet: A Lightweight Convolutional Neural Network for High-throughput
Image-based Wheat Head Detection and Counting
- arxiv url: http://arxiv.org/abs/2103.09408v1
- Date: Wed, 17 Mar 2021 02:38:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 13:07:02.807270
- Title: WheatNet: A Lightweight Convolutional Neural Network for High-throughput
Image-based Wheat Head Detection and Counting
- Title（参考訳）: WheatNet:高スループット画像に基づく小麦頭部検出とカウントのための軽量畳み込みニューラルネットワーク
- Authors: Saeed Khaki, Nima Safaei, Hieu Pham and Lizhi Wang
- Abstract要約: 本研究では,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。
モデルコムギ網とよばれ,小麦畑の幅広い環境条件において,我々のアプローチが頑健かつ正確であることを実証する。
提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
- 参考スコア（独自算出の注目度）: 12.735055892742647
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: For a globally recognized planting breeding organization, manually-recorded
field observation data is crucial for plant breeding decision making. However,
certain phenotypic traits such as plant color, height, kernel counts, etc. can
only be collected during a specific time-window of a crop's growth cycle. Due
to labor-intensive requirements, only a small subset of possible field
observations are recorded each season. To help mitigate this data collection
bottleneck in wheat breeding, we propose a novel deep learning framework to
accurately and efficiently count wheat heads to aid in the gathering of
real-time data for decision making. We call our model WheatNet and show that
our approach is robust and accurate for a wide range of environmental
conditions of the wheat field. WheatNet uses a truncated MobileNetV2 as a
lightweight backbone feature extractor which merges feature maps with different
scales to counter image scale variations. Then, extracted multi-scale features
go to two parallel sub-networks for simultaneous density-based counting and
localization tasks. Our proposed method achieves an MAE and RMSE of 3.85 and
5.19 in our wheat head counting task, respectively, while having significantly
fewer parameters when compared to other state-of-the-art methods. Our
experiments and comparisons with other state-of-the-art methods demonstrate the
superiority and effectiveness of our proposed method.
- Abstract（参考訳）: グローバルに認識されている育種組織にとって,手動観測データが植物の育種決定に不可欠である。
しかし、植物色、高さ、核数などの表現型の特徴がある。
作物の成長サイクルの特定の時間軸でのみ収集できる。
労働集約的な要求のため、季節ごとに観測可能なフィールドのごく一部しか記録されない。
小麦育種におけるデータ収集のボトルネックを軽減するために,小麦頭数を正確にかつ効率的に計算し,意思決定のためのリアルタイムデータ収集を支援する新しいディープラーニングフレームワークを提案する。
我々はこのモデルをWheatNetと呼び、小麦畑の幅広い環境条件に対して、我々のアプローチが堅牢で正確であることを示す。
WheatNetは、Truncated MobileNetV2を軽量なバックボーン機能抽出器として使用し、様々なスケールのフィーチャーマップをマージして、画像スケールの変動に対応する。
次に、抽出されたマルチスケール機能は、2つの並列サブネットワークに移行し、同時密度ベースのカウントとローカライゼーションタスクを行う。
提案手法は, 小麦頭部計数タスクにおけるMAEとRMSEの3.85と5.19をそれぞれ達成し, 他の最先端手法に比べてパラメータが有意に少ない。
提案手法の優位性と有効性を示す実験と他の最先端手法との比較を行った。
関連論文リスト
- Semi-supervised Counting via Pixel-by-pixel Density Distribution
Modelling [135.66138766927716]
本稿では,トレーニングデータのごく一部をラベル付けした半教師付き群集カウントに着目した。
我々は1つの決定論的値ではなく、確率分布として回帰するためにピクセル単位の密度値を定式化する。
本手法は,様々なラベル付き比率設定の下で,競争相手よりも明らかに優れる。
論文 参考訳（メタデータ） (2024-02-23T12:48:02Z) - HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳（メタデータ） (2023-08-23T11:03:28Z) - Just One Byte (per gradient): A Note on Low-Bandwidth Decentralized
Language Model Finetuning Using Shared Randomness [86.61582747039053]
分散環境での言語モデルトレーニングは、交換の通信コストによって制限される。
分散微調整を低帯域幅で行うために,共有ランダムネスを用いた最近の作業を拡張した。
論文 参考訳（メタデータ） (2023-06-16T17:59:51Z) - Wheat Head Counting by Estimating a Density Map with Convolutional
Neural Networks [15.95772332799123]
小麦は最も重要な作物の1つであり、毎年7億トンもの穀物を生産している。
本研究では,コムギの頭数推定ネットワークを3つ提案し,個々の画像から正確にコムギの頭数を推定する。
WHCNetは、小麦の頭部画像の特徴抽出のフロントエンドである畳み込みニューラルネットワーク(CNN)と、高品質な密度マップを生成するためにバックエンドのスキップ接続を備えたCNNの2つの主要コンポーネントで構成されている。
論文 参考訳（メタデータ） (2023-03-19T02:45:53Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-09T09:06:51Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - Two-dimensional Deep Regression for Early Yield Prediction of Winter
Wheat [0.0]
我々は、レーダー衛星画像と地上情報を組み合わせたデータに基づいて訓練された畳み込みニューラルネットワーク(CNN)を用いて、収量予測問題に取り組む。
我々は、Sentinel-1衛星から取得したレーダーデータを使用し、地上データは6つの特徴に対応する。
提案手法は,5つの比較手法よりも優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2021-11-15T20:40:15Z) - PANet: Perspective-Aware Network with Dynamic Receptive Fields and
Self-Distilling Supervision for Crowd Counting [63.84828478688975]
本稿では,視点問題に対処するため,PANetと呼ばれる新しい視点認識手法を提案する。
対象物のサイズが視点効果によって1つの画像で大きく変化するという観測に基づいて,動的受容場(DRF)フレームワークを提案する。
このフレームワークは、入力画像に応じて拡張畳み込みパラメータによって受容野を調整することができ、モデルが各局所領域についてより識別的な特徴を抽出するのに役立つ。
論文 参考訳（メタデータ） (2021-10-31T04:43:05Z) - High-Throughput Image-Based Plant Stand Count Estimation Using
Convolutional Neural Networks [23.67862313758282]
早期の表現学的段階における画像ベースコーンスタンド数に対するディープラーニングに基づくアプローチであるDeepStandを提案する。
提案手法はトウモロコシの立ち位置を計測し,他の最先端の方法よりも優れる。
論文 参考訳（メタデータ） (2020-10-23T17:28:29Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - DeepCorn: A Semi-Supervised Deep Learning Method for High-Throughput
Image-Based Corn Kernel Counting and Yield Estimation [20.829106642703277]
本研究では,実時間データの収集を支援するために,フィールド内における実時間コーンカーネルをカウントする新しい深層学習手法を提案する。
DeepCornはトウモロコシの耳の画像中のトウモロコシの核の密度を推定し、推定された密度マップに基づいて核の数を予測する。
提案手法は, コーンカーネルカウントタスクにおいて, 41.36と60.27のMAEとRMSEをそれぞれ達成する。
論文 参考訳（メタデータ） (2020-07-20T23:00:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。